Integrated Modeling of the Fractured Carbonate Midale Field and Sensitivity Analysis Through Experimental Design
Notice bibliographique
Résumé
Summary We used an integrated solution by combining "direct" and "inverse" approaches to fracture network characterization in a stochastic numerical model. Static geological data obtained from cores and well logs were used together with dynamic data such as well-test responses to build 3D discrete fracture-network (DFN) models. We used the data obtained from the fractured carbonate Midale field in Canada. The fractured-reservoir model was constructed from static and dynamic (drawdown and pulse-interference tests) data. Matrix and several fracture parameters including fracture length, density/ spacing, aperture, connectivity, and orientation were evaluated in a quantitative sensitivity study to determine which characteristics have a higher influence on the accurate match to well-test response. We used experimental design to optimize the number of simulations needed for a sensitivity study and history match. The sensitivity analysis revealed a strong influence of matrix quality on the pressure response, suggesting that the history match can be specific to the simulated process and not necessarily unique. The results emphasize the contribution of matrix in the Midale reservoir and the need to simulate a broader range of processes for an accurate description of the fracture/matrix system dynamics. In a general sense, the approach used in this study proved to be useful in integrating fracture data from different sources and assessing its reliability and relative importance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».